Tratamiento
Maria Gómez Belenguer
2024-03-24
1 PRE-TRATAMIENTO
1.1 Importamos los datos:
datos <- read_excel("Base_Pembro_1L_febrero_24__v2.xlsx", sheet = "datos")## New names:
## • `Estudios` -> `Estudios...14`
## • `Est_civil` -> `Est_civil...15`
## • `Comp_hogar` -> `Comp_hogar...16`
## • `MOSs` -> `MOSs...17`
## • `Ansiedad` -> `Ansiedad...18`
## • `Depresion` -> `Depresion...19`
## • `MNA` -> `MNA...20`
## • `MNA` -> `MNA...27`
## • `Estudios` -> `Estudios...29`
## • `Est_civil` -> `Est_civil...31`
## • `Comp_hogar` -> `Comp_hogar...32`
## • `MOSs` -> `MOSs...33`
## • `Ansiedad` -> `Ansiedad...36`
## • `Depresion` -> `Depresion...37`Eliminamos las dos filas incompletas:
datos <- datos[-c(17, 21), ]1.2 Unificamos las columnas repetidas:
datos <- datos %>%
mutate(estudios = coalesce(`Estudios...14`, `Estudios...29`)) %>%
select(-`Estudios...14`, -`Estudios...29`)
datos <- datos %>%
mutate(est_civil = coalesce(`Est_civil...15`, `Est_civil...31`)) %>%
select(-`Est_civil...15`, -`Est_civil...31`)
datos <- datos %>%
mutate(hogar = coalesce(`Comp_hogar...16`, `Comp_hogar...32`)) %>%
select(-`Comp_hogar...16`, -`Comp_hogar...32`)
datos <- datos %>%
mutate(MOOSs = coalesce(`MOSs...17`, `MOSs...33`)) %>%
select(-`MOSs...17`, -`MOSs...33`)
datos <- datos %>%
mutate(ansiedad = coalesce(`Ansiedad...18`, `Ansiedad...36`)) %>%
select(-`Ansiedad...18`, -`Ansiedad...36`)
datos <- datos %>%
mutate(depresion = coalesce(`Depresion...19`, `Depresion...37`)) %>%
select(-`Depresion...19`, -`Depresion...37`)
datos <- datos %>%
mutate(MNA = coalesce(`MNA...20`, `MNA...27`)) %>%
select(-`MNA...20`, -`MNA...27`)1.3 Eliminamos las variables que no nos interesan:
Variables de ancianos:
datos <- datos %>% select(-G8, -Audicion, -Barthel, -Lawton_Brody, -SPPB, -Caida_6m, -Pfeiffer, -Mini_mental, -Social_Gijon, -Yesavage,-CIRS, -Charlson,-Polifarmacia,
-Sd_geriatr, -Clasif_geriatr_SIOG1, -Clasif_geriatr_Balducci, -Observaciones, -`CD4+_C_CD45`, -`CD45+_C`, -CD3_C_Leuc, -LDH_PE, -Prot_PE,
-Alb_PE, -Hb_PE, -Leucoc_PE, -Neutr_PE,-Linf_PE, -Plaq_PE, -NLR_PE, -`NLRPE_corte 4`, -`NLRPE_corte 5`, - PLR_PE, -PNI_PE, -SII_PE)Fechas:
datos <- datos %>% select(-Fecha_SLP,-Fecha_últ_control,-Fecha_exitus,-Fecha_SG,-Fecha_nac, -Fecha_dx,-Fecha_inicio_pem)Variables que dependen de casos concretos:
datos <- datos %>% select(-Estado_mut,-Tipo_mut_Tej,-Biopsia_liq,-Tipo_mut_Liq)1.4 Modificamos el nombre de las variables que nos pueden dar problemas:
names(datos)[names(datos) == "Joven(0)_Anciano(1)"] <- "Anciano"
names(datos)[names(datos) == "%_perd_peso"] <- "Porcentaje_perdpeso"
names(datos)[names(datos) == "PD-L1"] <- "PD_L1"
names(datos)[names(datos) == "1ª_eval"] <- "primera_eval"
names(datos)[names(datos) == "1ªeval_num"] <- "primera_eval_num"
names(datos)[names(datos) == "Toxicidad_si/no"] <- "Toxicidad"
names(datos)[names(datos) == "Progresión_sí/no"] <- "Progresion"
names(datos)[names(datos) == "2ªL_sí/no"] <- "segunda_eval"
names(datos)[names(datos) == "Exitus_sí/no"] <- "Exitus"
names(datos)[names(datos) == "T"] <- "Tamaño_tumor"
names(datos)[names(datos) == "N"] <- "Afectacion_ganglionar"
names(datos)[names(datos) == "M"] <- "Afectacion_metastasica"2 ESTUDIO DE LOS VALORES FALTANTES:
tabla_faltantes = datos %>%
summarise(across(everything(), ~mean(is.na(.)))) %>%
pivot_longer(everything(), names_to = "Columna", values_to = "Porcentaje_NA") %>%
mutate(Porcentaje_NA = Porcentaje_NA * 100)
as.data.frame(tabla_faltantes[order(tabla_faltantes$Porcentaje_NA, decreasing = TRUE),])## Columna Porcentaje_NA
## 1 CD127-/lowFoxP3+_%CD4 91.176471
## 2 CD25+FoxP3+_%Linf 91.176471
## 3 CD39+FoxP3+_%CD4 91.176471
## 4 CD4+_%CD45 91.176471
## 5 CD45+ 91.176471
## 6 CD45RA+_%Linf 91.176471
## 7 CD45RA+FoxP3+_%CD4 91.176471
## 8 Helios+FoxP3+_%CD4 91.176471
## 9 CD127-/lowFoxP3+_C_CD4 91.176471
## 10 CD25+FoxP3+_C_Linf 91.176471
## 11 CD39+FoxP3+_C_CD4 91.176471
## 12 CD45RA+_C_Linf 91.176471
## 13 CD45RA+FoxP3+_C_CD4 91.176471
## 14 Helios+FoxP3+_C_CD4 91.176471
## 15 CD25+CD127low_%Linf 73.529412
## 16 CD25+CD127low_C_Linf 73.529412
## 17 HLADR+Lin_%Leuc 64.705882
## 18 mDC_%Leuc 64.705882
## 19 pDC_%Leuc 64.705882
## 20 CD4_Central_Mem_%Linf 64.705882
## 21 CD4_Effector_Mem_%Linf 64.705882
## 22 CD4_Naïve_%Linf 64.705882
## 23 CD4_TEMRA_%Linf 64.705882
## 24 CD8_Central_Mem_%Linf 64.705882
## 25 CD8_Effector_Mem_%Linf 64.705882
## 26 CD8_Naïve_%Linf 64.705882
## 27 CD8_TEMRA_%Linf 64.705882
## 28 mDC_CD16_%mDC 64.705882
## 29 mDC_CD1c_%mDC 64.705882
## 30 mDC_Clec9A_%mDC 64.705882
## 31 CD3+_%Linf 64.705882
## 32 CD27-CD57+CD3+_%Linf 64.705882
## 33 CD27-CD57+CD4+_%CD3 64.705882
## 34 CD27-CD57+CD8+_%CD3 64.705882
## 35 CD3_%Leuc 64.705882
## 36 CD3+CD4+_%Linf 64.705882
## 37 CD3+CD57+_%Linf 64.705882
## 38 CD3+CD8+_%Linf 64.705882
## 39 CD45RA+CCR7+CD3+_%Linf 64.705882
## 40 CD8+_term_efect_%CD3 64.705882
## 41 CD8_exhausted_%CD3 64.705882
## 42 CD4_TCR_ab+_%CD3 64.705882
## 43 CD4+_%Linf 64.705882
## 44 CD8+_TCR_ab+_%CD3 64.705882
## 45 CD8+_%Linf 64.705882
## 46 CD8+CD4+_%Linf 64.705882
## 47 CD8-CD4-_%Linf 64.705882
## 48 HLADR+CD3+_%Linf 64.705882
## 49 Leuc% 64.705882
## 50 Linf% 64.705882
## 51 TCR_ab+_%Linf 64.705882
## 52 TCR_gd+_%Linf 64.705882
## 53 gd_VD1+_%CD3 64.705882
## 54 gd_VD1+VD2+_%CD3 64.705882
## 55 gd_VD1-VD2-_%CD3 64.705882
## 56 gd_VD2+_%CD3 64.705882
## 57 CD25+CD4+_%Linf 61.764706
## 58 HLADR+Lin_C_Leuc 61.764706
## 59 mDC_C_Leuc 61.764706
## 60 pDC_C_Leuc 61.764706
## 61 CD4_Central_Mem_C_Linf 61.764706
## 62 CD4_Effector_Mem_C_Linf 61.764706
## 63 CD4_Naïve_C_Linf 61.764706
## 64 CD4_TEMRA_C_Linf 61.764706
## 65 CD8_Central_Mem_C_Linf 61.764706
## 66 CD8_Effector_Mem_C_Linf 61.764706
## 67 CD8_Naïve_C_Linf 61.764706
## 68 CD8_TEMRA_C_Linf 61.764706
## 69 mDC_CD16_C_mDC 61.764706
## 70 mDC_CD1c_C_mDC 61.764706
## 71 mDC_Clec9A_C_mDC 61.764706
## 72 CD3+_C_Linf 61.764706
## 73 CD27-CD57+CD3+_C_Linf 61.764706
## 74 CD27-CD57+CD4+_C_CD3 61.764706
## 75 CD27-CD57+CD8+_C_CD3 61.764706
## 76 CD3+CD4+_C_Linf 61.764706
## 77 CD3+CD57+_C_Linf 61.764706
## 78 CD3+CD8+_C_Linf 61.764706
## 79 CD45RA+CCR7+CD3+_C_Linf 61.764706
## 80 CD8+_term_efect_C_CD3 61.764706
## 81 CD8_exhausted_C_CD3 61.764706
## 82 CD4_TCR_ab+_C_CD3 61.764706
## 83 CD4+_C_Linf 61.764706
## 84 CD8+_TCR_ab+_C_CD3 61.764706
## 85 CD8+_C_Linf 61.764706
## 86 CD8+CD4+_C_Linf 61.764706
## 87 CD8-CD4-_C_Linf 61.764706
## 88 HLADR+CD3+_C_Linf 61.764706
## 89 TCR_ab+_C_Linf 61.764706
## 90 TCR_gd+_C_Linf 61.764706
## 91 gd_VD1+_C_CD3 61.764706
## 92 gd_VD1+VD2+_C_CD3 61.764706
## 93 gd_VD1-VD2-_C_CD3 61.764706
## 94 gd_VD2+_C_CD3 61.764706
## 95 CD25+CD4+_C_Linf 61.764706
## 96 MOOSs 61.764706
## 97 IL-6 58.823529
## 98 IgM_CMV 55.882353
## 99 IgG_CMV 55.882353
## 100 Col_LDL 47.058824
## 101 LDH_2C 47.058824
## 102 MNA 47.058824
## 103 ansiedad 44.117647
## 104 depresion 44.117647
## 105 Col_HDL 41.176471
## 106 Fecha_progresión 38.235294
## 107 Num_pac 35.294118
## 108 LDH_1C 35.294118
## 109 LDH_1eval 29.411765
## 110 LinfT_cel 26.470588
## 111 LinfT_% 26.470588
## 112 CD4_cel 26.470588
## 113 CD4_% 26.470588
## 114 CD8_cel 26.470588
## 115 CD8_% 26.470588
## 116 CD4:CD8 26.470588
## 117 LinfB_cel 26.470588
## 118 LinfB_% 26.470588
## 119 LinfNK_cel 26.470588
## 120 LinfNK_% 26.470588
## 121 estudios 26.470588
## 122 est_civil 26.470588
## 123 PCR 23.529412
## 124 hogar 23.529412
## 125 segunda_eval 20.588235
## 126 Prot_2C 11.764706
## 127 Tipo_tox 11.764706
## 128 Porcentaje_perdpeso 8.823529
## 129 p_peso_no_sí 8.823529
## 130 LDH 8.823529
## 131 Prot_1C 8.823529
## 132 Alb_2C 8.823529
## 133 PNI_2C 8.823529
## 134 Prot_1eval 8.823529
## 135 Hab_tabaq 5.882353
## 136 Exp_tab 5.882353
## 137 Alb_1C 5.882353
## 138 Hb_2C 5.882353
## 139 Leucoc_2C 5.882353
## 140 Neutr_2C 5.882353
## 141 Linf_2C 5.882353
## 142 Plaq_2C 5.882353
## 143 NLR_2C 5.882353
## 144 NLR2C_corte4o5 5.882353
## 145 PLR_2C 5.882353
## 146 SII_2C 5.882353
## 147 Tamaño_tumor 2.941176
## 148 Afectacion_ganglionar 2.941176
## 149 Afectacion_metastasica 2.941176
## 150 Col_total 2.941176
## 151 Prot_tot 2.941176
## 152 Albumina 2.941176
## 153 PNI_pre 2.941176
## 154 ALI_pre 2.941176
## 155 NLR1C_corte5 2.941176
## 156 PNI_1C 2.941176
## 157 Idpac 0.000000
## 158 Sexo 0.000000
## 159 Edad_dx 0.000000
## 160 Anciano 0.000000
## 161 ECOG 0.000000
## 162 Peso 0.000000
## 163 Talla 0.000000
## 164 IMC 0.000000
## 165 Diabetes 0.000000
## 166 Cardiop 0.000000
## 167 Enf_neurod 0.000000
## 168 Histologia 0.000000
## 169 Histología_num 0.000000
## 170 Estadio 0.000000
## 171 Estadio_num 0.000000
## 172 PD_L1 0.000000
## 173 Estatinas 0.000000
## 174 Hb 0.000000
## 175 Leucoc_tot 0.000000
## 176 Neutrofilos 0.000000
## 177 Linf_tot 0.000000
## 178 Plaquetas 0.000000
## 179 NLR_pre 0.000000
## 180 PLR_pre 0.000000
## 181 SII_pre 0.000000
## 182 Hb_1C 0.000000
## 183 Leucoc_1C 0.000000
## 184 Neutr_1C 0.000000
## 185 Linf_1C 0.000000
## 186 Plaq_1C 0.000000
## 187 NLR_1C 0.000000
## 188 NLR1C_corte4 0.000000
## 189 PLR_1C 0.000000
## 190 SII_1C 0.000000
## 191 primera_eval 0.000000
## 192 primera_eval_num 0.000000
## 193 Alb_1eval 0.000000
## 194 Hb_1eval 0.000000
## 195 Leucoc_1eval 0.000000
## 196 Neutr_1eval 0.000000
## 197 Linf_1eval 0.000000
## 198 Plaq_1eval 0.000000
## 199 NLR_1eval 0.000000
## 200 PLR_1eval 0.000000
## 201 PNI_1eval 0.000000
## 202 SII_1eval 0.000000
## 203 Mejor_resp 0.000000
## 204 Mejor_resp_num 0.000000
## 205 N_ciclos 0.000000
## 206 Toxicidad 0.000000
## 207 Grado_tox 0.000000
## 208 Interrupc_tto 0.000000
## 209 Motivo_inter 0.000000
## 210 Progresion 0.000000
## 211 Exitus 0.000000
## 212 SLP 0.000000
## 213 SLP_cens 0.000000
## 214 SG 0.000000
## 215 SG_cens 0.000000Nos interesa quedarnos con aquellas variables que presenten menos de un 23% de valores faltantes, por ello, vamos a eliminar aquellas que superen nuestro límite.
variables_a_eliminar <- tabla_faltantes %>%
filter(Porcentaje_NA > 23) %>%
pull(Columna)
df <- datos %>%
select(-one_of(variables_a_eliminar))tabla_faltantes = df %>%
summarise(across(everything(), ~mean(is.na(.)))) %>%
pivot_longer(everything(), names_to = "Columna", values_to = "Porcentaje_NA") %>%
mutate(Porcentaje_NA = Porcentaje_NA * 100)
as.data.frame(tabla_faltantes[order(tabla_faltantes$Porcentaje_NA, decreasing = TRUE),])## Columna Porcentaje_NA
## 1 segunda_eval 20.588235
## 2 Prot_2C 11.764706
## 3 Tipo_tox 11.764706
## 4 Porcentaje_perdpeso 8.823529
## 5 p_peso_no_sí 8.823529
## 6 LDH 8.823529
## 7 Prot_1C 8.823529
## 8 Alb_2C 8.823529
## 9 PNI_2C 8.823529
## 10 Prot_1eval 8.823529
## 11 Hab_tabaq 5.882353
## 12 Exp_tab 5.882353
## 13 Alb_1C 5.882353
## 14 Hb_2C 5.882353
## 15 Leucoc_2C 5.882353
## 16 Neutr_2C 5.882353
## 17 Linf_2C 5.882353
## 18 Plaq_2C 5.882353
## 19 NLR_2C 5.882353
## 20 NLR2C_corte4o5 5.882353
## 21 PLR_2C 5.882353
## 22 SII_2C 5.882353
## 23 Tamaño_tumor 2.941176
## 24 Afectacion_ganglionar 2.941176
## 25 Afectacion_metastasica 2.941176
## 26 Col_total 2.941176
## 27 Prot_tot 2.941176
## 28 Albumina 2.941176
## 29 PNI_pre 2.941176
## 30 ALI_pre 2.941176
## 31 NLR1C_corte5 2.941176
## 32 PNI_1C 2.941176
## 33 Idpac 0.000000
## 34 Sexo 0.000000
## 35 Edad_dx 0.000000
## 36 Anciano 0.000000
## 37 ECOG 0.000000
## 38 Peso 0.000000
## 39 Talla 0.000000
## 40 IMC 0.000000
## 41 Diabetes 0.000000
## 42 Cardiop 0.000000
## 43 Enf_neurod 0.000000
## 44 Histologia 0.000000
## 45 Histología_num 0.000000
## 46 Estadio 0.000000
## 47 Estadio_num 0.000000
## 48 PD_L1 0.000000
## 49 Estatinas 0.000000
## 50 Hb 0.000000
## 51 Leucoc_tot 0.000000
## 52 Neutrofilos 0.000000
## 53 Linf_tot 0.000000
## 54 Plaquetas 0.000000
## 55 NLR_pre 0.000000
## 56 PLR_pre 0.000000
## 57 SII_pre 0.000000
## 58 Hb_1C 0.000000
## 59 Leucoc_1C 0.000000
## 60 Neutr_1C 0.000000
## 61 Linf_1C 0.000000
## 62 Plaq_1C 0.000000
## 63 NLR_1C 0.000000
## 64 NLR1C_corte4 0.000000
## 65 PLR_1C 0.000000
## 66 SII_1C 0.000000
## 67 primera_eval 0.000000
## 68 primera_eval_num 0.000000
## 69 Alb_1eval 0.000000
## 70 Hb_1eval 0.000000
## 71 Leucoc_1eval 0.000000
## 72 Neutr_1eval 0.000000
## 73 Linf_1eval 0.000000
## 74 Plaq_1eval 0.000000
## 75 NLR_1eval 0.000000
## 76 PLR_1eval 0.000000
## 77 PNI_1eval 0.000000
## 78 SII_1eval 0.000000
## 79 Mejor_resp 0.000000
## 80 Mejor_resp_num 0.000000
## 81 N_ciclos 0.000000
## 82 Toxicidad 0.000000
## 83 Grado_tox 0.000000
## 84 Interrupc_tto 0.000000
## 85 Motivo_inter 0.000000
## 86 Progresion 0.000000
## 87 Exitus 0.000000
## 88 SLP 0.000000
## 89 SLP_cens 0.000000
## 90 SG 0.000000
## 91 SG_cens 0.000000El siguiente paso es tratar estos valores faltantes para poder realizar nuestro análisis.
3 IMPUTACIÓN:
Para realizar la imputación vamos a utilizar la librería mice. Primero de todo, nos interesa conocer de que tipo son nuestras variables:
tipos_var <- data.frame(Columna = names(df))
tipos_var$Tipo <- sapply(df, function(x) class(x)[1])
tipos_var## Columna Tipo
## 1 Idpac character
## 2 Sexo numeric
## 3 Edad_dx numeric
## 4 Anciano numeric
## 5 ECOG numeric
## 6 Peso numeric
## 7 Talla numeric
## 8 IMC numeric
## 9 Porcentaje_perdpeso numeric
## 10 p_peso_no_sí numeric
## 11 Hab_tabaq numeric
## 12 Exp_tab numeric
## 13 Diabetes numeric
## 14 Cardiop numeric
## 15 Enf_neurod numeric
## 16 Histologia character
## 17 Histología_num numeric
## 18 Tamaño_tumor character
## 19 Afectacion_ganglionar character
## 20 Afectacion_metastasica character
## 21 Estadio character
## 22 Estadio_num numeric
## 23 PD_L1 numeric
## 24 Estatinas character
## 25 Col_total numeric
## 26 LDH numeric
## 27 Prot_tot numeric
## 28 Albumina numeric
## 29 Hb numeric
## 30 Leucoc_tot numeric
## 31 Neutrofilos numeric
## 32 Linf_tot numeric
## 33 Plaquetas numeric
## 34 NLR_pre numeric
## 35 PLR_pre numeric
## 36 PNI_pre numeric
## 37 ALI_pre numeric
## 38 SII_pre numeric
## 39 Prot_1C numeric
## 40 Alb_1C numeric
## 41 Hb_1C numeric
## 42 Leucoc_1C numeric
## 43 Neutr_1C numeric
## 44 Linf_1C numeric
## 45 Plaq_1C numeric
## 46 NLR_1C numeric
## 47 NLR1C_corte4 numeric
## 48 NLR1C_corte5 numeric
## 49 PLR_1C numeric
## 50 PNI_1C numeric
## 51 SII_1C numeric
## 52 Prot_2C numeric
## 53 Alb_2C numeric
## 54 Hb_2C numeric
## 55 Leucoc_2C numeric
## 56 Neutr_2C numeric
## 57 Linf_2C numeric
## 58 Plaq_2C numeric
## 59 NLR_2C numeric
## 60 NLR2C_corte4o5 numeric
## 61 PLR_2C numeric
## 62 PNI_2C numeric
## 63 SII_2C numeric
## 64 primera_eval character
## 65 primera_eval_num numeric
## 66 Prot_1eval numeric
## 67 Alb_1eval numeric
## 68 Hb_1eval numeric
## 69 Leucoc_1eval numeric
## 70 Neutr_1eval numeric
## 71 Linf_1eval numeric
## 72 Plaq_1eval numeric
## 73 NLR_1eval numeric
## 74 PLR_1eval numeric
## 75 PNI_1eval numeric
## 76 SII_1eval numeric
## 77 Mejor_resp character
## 78 Mejor_resp_num numeric
## 79 N_ciclos numeric
## 80 Toxicidad numeric
## 81 Tipo_tox character
## 82 Grado_tox character
## 83 Interrupc_tto numeric
## 84 Motivo_inter character
## 85 Progresion numeric
## 86 segunda_eval numeric
## 87 Exitus numeric
## 88 SLP numeric
## 89 SLP_cens numeric
## 90 SG numeric
## 91 SG_cens numericComo podemos observar tenemos variables tanto numéricas como categóricas, por lo que nos interesa transformar esas variables categóricas en factores para poder imputar a través del método de la media , incluso, alguna numérica.
df$Idpac <- as.factor(df$Idpac)
df$Histologia <- as.factor(df$Histologia)
df$Tamaño_tumor <- as.factor(df$Tamaño_tumor)
df$Afectacion_ganglionar <- as.factor(df$Afectacion_ganglionar)
df$Afectacion_metastasica <- as.factor(df$Afectacion_metastasica)
df$Estadio <- as.factor(df$Estadio)
df$Estatinas <- as.factor(df$Estatinas)
df$primera_eval_num <- as.factor(df$primera_eval_num)
df$Mejor_resp_num <- as.factor(df$Mejor_resp_num)
df$Tipo_tox <- as.factor(df$Tipo_tox)
df$Grado_tox <- as.factor(df$Grado_tox)
df$Motivo_inter <- as.factor(df$Motivo_inter)
df$p_peso_no_sí <- as.factor(df$p_peso_no_sí)
df$Hab_tabaq <- as.factor(df$Hab_tabaq)
df$NLR1C_corte4 <- as.factor(df$NLR1C_corte4)
df$NLR1C_corte5 <- as.factor(df$NLR1C_corte5)
df$Histología_num <- as.factor(df$Histología_num)
df$Estadio_num <- as.factor(df$Estadio_num)
df$Toxicidad <- as.factor(df$Toxicidad)
df$Interrupc_tto <- as.factor(df$Interrupc_tto)
df$Enf_neurod <- as.factor(df$Enf_neurod)
df$Sexo <- as.factor(df$Sexo)
df$ECOG <- as.factor(df$ECOG)
df$Progresion <- as.factor(df$Progresion)
df$Cardiop <- as.factor(df$Cardiop)
df$Diabetes <- as.factor(df$Diabetes)Comprobamos que hemos hecho el cambio correctamente:
tipos_var2 <- data.frame(Columna = names(df))
tipos_var2$Tipo <- sapply(df, function(x) class(x)[1])
tipos_var2## Columna Tipo
## 1 Idpac factor
## 2 Sexo factor
## 3 Edad_dx numeric
## 4 Anciano numeric
## 5 ECOG factor
## 6 Peso numeric
## 7 Talla numeric
## 8 IMC numeric
## 9 Porcentaje_perdpeso numeric
## 10 p_peso_no_sí factor
## 11 Hab_tabaq factor
## 12 Exp_tab numeric
## 13 Diabetes factor
## 14 Cardiop factor
## 15 Enf_neurod factor
## 16 Histologia factor
## 17 Histología_num factor
## 18 Tamaño_tumor factor
## 19 Afectacion_ganglionar factor
## 20 Afectacion_metastasica factor
## 21 Estadio factor
## 22 Estadio_num factor
## 23 PD_L1 numeric
## 24 Estatinas factor
## 25 Col_total numeric
## 26 LDH numeric
## 27 Prot_tot numeric
## 28 Albumina numeric
## 29 Hb numeric
## 30 Leucoc_tot numeric
## 31 Neutrofilos numeric
## 32 Linf_tot numeric
## 33 Plaquetas numeric
## 34 NLR_pre numeric
## 35 PLR_pre numeric
## 36 PNI_pre numeric
## 37 ALI_pre numeric
## 38 SII_pre numeric
## 39 Prot_1C numeric
## 40 Alb_1C numeric
## 41 Hb_1C numeric
## 42 Leucoc_1C numeric
## 43 Neutr_1C numeric
## 44 Linf_1C numeric
## 45 Plaq_1C numeric
## 46 NLR_1C numeric
## 47 NLR1C_corte4 factor
## 48 NLR1C_corte5 factor
## 49 PLR_1C numeric
## 50 PNI_1C numeric
## 51 SII_1C numeric
## 52 Prot_2C numeric
## 53 Alb_2C numeric
## 54 Hb_2C numeric
## 55 Leucoc_2C numeric
## 56 Neutr_2C numeric
## 57 Linf_2C numeric
## 58 Plaq_2C numeric
## 59 NLR_2C numeric
## 60 NLR2C_corte4o5 numeric
## 61 PLR_2C numeric
## 62 PNI_2C numeric
## 63 SII_2C numeric
## 64 primera_eval character
## 65 primera_eval_num factor
## 66 Prot_1eval numeric
## 67 Alb_1eval numeric
## 68 Hb_1eval numeric
## 69 Leucoc_1eval numeric
## 70 Neutr_1eval numeric
## 71 Linf_1eval numeric
## 72 Plaq_1eval numeric
## 73 NLR_1eval numeric
## 74 PLR_1eval numeric
## 75 PNI_1eval numeric
## 76 SII_1eval numeric
## 77 Mejor_resp character
## 78 Mejor_resp_num factor
## 79 N_ciclos numeric
## 80 Toxicidad factor
## 81 Tipo_tox factor
## 82 Grado_tox factor
## 83 Interrupc_tto factor
## 84 Motivo_inter factor
## 85 Progresion factor
## 86 segunda_eval numeric
## 87 Exitus numeric
## 88 SLP numeric
## 89 SLP_cens numeric
## 90 SG numeric
## 91 SG_cens numericVemos la distribución de los datos faltantes:
patrones = md.pattern(df, rotate.names = TRUE)
Ahora procedemos a imputar los datos con el método de la media:
imputed_data1 <- mice(df %>%
select(-Idpac,-Histologia,-Afectacion_ganglionar, -Afectacion_metastasica,-Estadio,-Estatinas,-primera_eval_num, -Mejor_resp_num,
-Tipo_tox, -Tamaño_tumor, -Grado_tox, -Motivo_inter, -p_peso_no_sí, -Hab_tabaq, -NLR1C_corte4, -NLR1C_corte5,-Histología_num,
-Estadio_num, -Toxicidad,-Interrupc_tto,-Enf_neurod,-Sexo,-ECOG, -Progresion, -Cardiop, -Diabetes),
method = "mean", print = FALSE)## Warning: Number of logged events: 752df_imputado1 <- complete(imputed_data1)
df_imputado1## Edad_dx Anciano Peso Talla IMC Porcentaje_perdpeso Exp_tab PD_L1
## 1 46.00000 0 88.0 1.77 28.08899 0.04583871 20.00000 100
## 2 68.00000 0 85.0 1.55 35.37981 0.00000000 0.00000 70
## 3 59.00000 0 65.0 1.59 25.71101 0.00000000 45.00000 50
## 4 72.00000 1 88.5 1.77 28.24859 0.00000000 92.00000 2
## 5 50.00000 0 90.0 1.76 29.05475 0.10000000 55.00000 60
## 6 71.00000 1 76.6 1.63 28.83059 0.00000000 200.00000 90
## 7 71.00000 1 67.0 1.50 29.77778 0.07600000 60.00000 100
## 8 79.00000 1 67.0 1.61 25.84777 0.00000000 40.00000 70
## 9 73.14168 1 63.0 1.68 22.32143 0.04583871 50.00000 90
## 10 68.51745 0 77.5 1.81 23.65618 0.00000000 50.00000 70
## 11 56.48734 0 73.8 1.75 24.09796 0.04583871 36.00000 80
## 12 66.27242 0 66.3 1.63 24.95389 0.22900000 50.00000 50
## 13 61.96304 0 63.8 1.56 26.21631 0.13800000 0.00000 80
## 14 64.45996 0 65.0 1.79 20.28651 0.11000000 50.00000 100
## 15 58.70500 0 53.0 1.55 22.06035 0.00000000 25.00000 95
## 16 60.30664 0 72.0 1.71 24.62296 0.00000000 82.00000 90
## 17 63.00000 0 67.0 1.50 29.77778 0.00000000 60.00000 100
## 18 82.00000 1 61.0 1.63 22.95909 0.00000000 100.00000 90
## 19 66.00000 0 64.2 1.61 24.76756 0.00000000 50.00000 60
## 20 50.00000 0 55.0 1.63 20.70082 0.00000000 51.65625 100
## 21 78.00000 1 69.0 1.55 28.72008 0.06700000 75.00000 70
## 22 73.00000 1 102.0 1.91 27.95976 0.01000000 83.00000 70
## 23 60.00000 0 67.0 1.73 22.38631 0.13000000 40.00000 100
## 24 70.00000 1 64.7 1.60 25.27344 0.03000000 51.65625 90
## 25 64.00000 0 47.0 1.60 18.35937 0.03100000 40.00000 70
## 26 57.00000 0 61.0 1.62 23.24341 0.04000000 30.00000 70
## 27 71.00000 1 52.0 1.56 21.36752 0.05500000 0.00000 80
## 28 75.00000 1 62.0 1.60 24.21875 0.08800000 25.00000 100
## 29 68.00000 0 75.0 1.68 26.57313 0.03800000 40.00000 90
## 30 62.00000 0 80.0 1.72 27.04164 0.00000000 60.00000 90
## 31 51.00000 0 62.0 1.81 18.92494 0.07500000 45.00000 60
## 32 80.00000 1 53.0 1.58 21.23057 0.15900000 40.00000 80
## 33 65.00000 0 85.0 1.65 31.22130 0.04500000 85.00000 95
## 34 62.00000 0 97.0 1.65 35.62902 0.00000000 25.00000 70
## Col_total LDH Prot_tot Albumina Hb Leucoc_tot Neutrofilos Linf_tot
## 1 217.0000 163.0000 7.000000 4.100000 15.3 10100 8000 1400
## 2 154.0000 171.0000 6.000000 3.700000 11.8 9800 8200 800
## 3 146.0000 197.0000 7.200000 4.300000 16.7 9900 7400 1400
## 4 149.0000 159.0000 7.100000 4.000000 14.6 5600 3000 1800
## 5 210.0000 198.0000 7.900000 4.400000 15.7 8900 5300 2300
## 6 162.0000 220.0000 8.000000 4.300000 13.1 8800 6000 1600
## 7 142.0000 198.0000 6.400000 3.600000 11.5 10000 9000 400
## 8 167.0000 184.0000 7.000000 3.900000 12.3 7700 5300 1600
## 9 153.0000 176.0000 6.900000 3.700000 12.9 16200 13200 1900
## 10 132.0000 199.0000 7.300000 4.000000 13.0 15700 13400 1400
## 11 113.0000 190.0000 7.300000 3.500000 13.6 10600 8000 1500
## 12 182.0000 198.0000 6.500000 3.700000 11.4 8700 5000 2500
## 13 242.0000 184.0000 7.300000 4.100000 13.7 12600 8700 2200
## 14 133.0000 183.0000 7.000000 4.100000 13.7 11400 7600 2300
## 15 215.0000 204.0000 7.200000 4.400000 11.9 13400 9400 2900
## 16 202.0000 276.0000 5.600000 3.200000 15.5 13100 12300 500
## 17 262.0000 201.0000 5.400000 2.800000 11.6 4100 2500 800
## 18 200.0000 383.0000 8.900000 3.900000 12.1 11700 7100 2700
## 19 199.0000 382.0000 6.300000 3.700000 10.6 4000 2600 900
## 20 194.0000 156.0000 7.300000 4.300000 11.5 10800 9400 500
## 21 176.0000 175.0000 7.100000 4.300000 11.5 10600 7300 1200
## 22 160.0000 195.0000 7.300000 4.100000 12.6 7700 4800 1900
## 23 111.0000 326.0000 6.400000 3.000000 13.5 6800 5400 700
## 24 276.0000 263.6452 7.000000 3.900000 14.1 6000 3500 2000
## 25 155.0000 1644.0000 6.900000 3.400000 10.9 13800 8700 3000
## 26 197.0000 279.0000 6.900000 4.400000 13.0 6300 4300 1100
## 27 206.0000 164.0000 6.600000 4.000000 14.0 6200 4800 800
## 28 208.0000 222.0000 7.400000 4.100000 12.4 7200 4900 1500
## 29 191.0000 267.0000 6.900000 3.500000 14.5 20500 11500 3300
## 30 201.0000 248.0000 7.300000 4.200000 13.6 14100 8400 3500
## 31 142.0000 263.6452 7.100000 3.900000 12.8 9600 7100 1300
## 32 187.4545 263.6452 7.006061 3.912121 12.6 7600 5300 1300
## 33 192.0000 230.0000 7.700000 4.400000 15.3 8400 5400 1800
## 34 397.0000 201.0000 7.000000 4.200000 14.2 12500 10700 1300
## Plaquetas NLR_pre PLR_pre PNI_pre ALI_pre SII_pre Prot_1C Alb_1C
## 1 273000 5.714286 195.00000 48.00000 20.153851 1560000.0 7.500000 4.60000
## 2 124000 10.250000 155.00000 41.00000 12.771249 1271000.0 6.200000 3.90000
## 3 349000 5.285714 249.28571 50.00000 20.916253 1844714.3 7.200000 4.40000
## 4 220000 1.666667 122.22222 49.00000 67.796610 366666.7 7.048387 3.90625
## 5 350000 2.304348 152.17391 55.50000 55.478130 806521.7 7.400000 4.50000
## 6 279000 3.750000 174.37500 51.00000 33.059079 1046250.0 8.100000 4.20000
## 7 269000 22.500000 672.50000 38.00000 4.764444 6052500.0 6.500000 4.00000
## 8 201000 3.312500 125.62500 47.00000 30.432089 665812.5 7.700000 4.00000
## 9 317000 6.947368 166.84211 46.50000 11.887852 2202315.8 7.048387 3.90000
## 10 324000 9.571429 231.42857 47.00000 9.886163 3101142.9 7.400000 4.00000
## 11 489000 5.333333 326.00000 42.50000 15.814286 2608000.0 7.000000 3.40000
## 12 216000 2.000000 86.40000 49.50000 46.164703 432000.0 7.100000 4.10000
## 13 455000 3.954545 206.81818 52.00000 27.180583 1799318.2 7.300000 4.00000
## 14 274000 3.304348 119.13043 52.50000 25.171285 905391.3 7.000000 3.70000
## 15 208000 3.241379 71.72414 58.50000 29.945757 674206.9 6.900000 3.70000
## 16 112000 24.600000 224.00000 34.50000 3.202987 2755200.0 7.800000 4.20000
## 17 293000 3.125000 366.25000 32.00000 26.680889 915625.0 4.600000 3.10000
## 18 358000 2.629630 132.59259 52.50000 34.050591 941407.4 9.100000 4.00000
## 19 338000 2.888889 375.55556 41.50000 31.721533 976444.4 6.000000 3.10000
## 20 464000 18.800000 928.00000 45.50000 4.734761 8723200.0 8.000000 4.50000
## 21 158000 6.083333 131.66667 49.00000 20.300771 961166.7 7.200000 4.20000
## 22 248000 2.526316 130.52632 50.50000 45.376360 626526.3 7.300000 3.80000
## 23 335000 7.714286 478.57143 33.50000 8.705789 2584285.7 6.800000 3.60000
## 24 143000 1.750000 71.50000 49.00000 56.323661 250250.0 7.400000 3.90000
## 25 709000 2.900000 236.33333 49.00000 21.524784 2056100.0 7.300000 3.60000
## 26 287000 3.909091 260.90909 49.50000 26.162348 1121909.1 6.400000 3.70000
## 27 295000 6.000000 368.75000 44.00000 14.245014 1770000.0 6.900000 4.10000
## 28 228000 3.266667 152.00000 48.50000 30.397003 744800.0 7.100000 4.00000
## 29 271000 3.484848 82.12121 51.50000 26.688665 944393.9 6.800000 3.30000
## 30 461000 2.400000 131.71429 59.50000 47.322877 1106400.0 6.300000 3.80000
## 31 327000 5.461538 251.53846 45.50000 13.514007 1785923.1 6.500000 3.30000
## 32 249000 4.076923 191.53846 47.42424 26.858982 1015153.8 7.100000 4.30000
## 33 306000 3.000000 170.00000 53.00000 45.791246 918000.0 7.048387 3.90625
## 34 234000 8.230769 180.00000 48.50000 18.180788 1926000.0 6.600000 4.10000
## Hb_1C Leucoc_1C Neutr_1C Linf_1C Plaq_1C NLR_1C PLR_1C PNI_1C
## 1 15.9 8100 6000 1600 369000 3.750000 230.62500 54.00000
## 2 11.7 8500 7000 800 112000 8.750000 140.00000 43.00000
## 3 16.1 12000 8000 2500 382000 3.200000 152.80000 56.50000
## 4 15.5 7300 4400 2000 266000 2.200000 133.00000 10.00000
## 5 15.9 9200 4900 3100 364000 1.580645 117.41935 60.50000
## 6 14.5 8000 5300 1600 293000 3.312500 183.12500 50.00000
## 7 11.6 4500 3200 900 218000 3.555556 242.22222 44.50000
## 8 12.1 3600 1900 900 131000 2.111111 145.55556 44.50000
## 9 14.5 16100 12100 2900 380000 4.172414 131.03448 53.50000
## 10 13.5 12800 9800 1900 214000 5.157895 112.63158 49.50000
## 11 11.4 12500 10400 1000 463000 10.400000 463.00000 39.00000
## 12 11.6 7600 3700 2900 242000 1.275862 83.44828 55.50000
## 13 14.3 11300 6200 3600 452000 1.722222 125.55556 58.00000
## 14 10.8 15400 11300 2500 444000 4.520000 177.60000 49.50000
## 15 11.3 10400 8400 1000 272000 8.400000 272.00000 42.00000
## 16 13.7 14100 9700 3100 494000 3.129032 159.35484 57.50000
## 17 8.4 4800 3300 700 226000 4.714286 322.85714 34.50000
## 18 11.9 11100 6000 3000 380000 2.000000 126.66667 55.00000
## 19 11.1 3600 1700 1100 338000 1.545455 307.27273 36.50000
## 20 11.9 10900 8900 1200 465000 7.416667 387.50000 51.00000
## 21 10.2 13800 9300 1600 205000 5.812500 128.12500 50.00000
## 22 12.5 7400 4600 1800 304000 2.555556 168.88889 47.00000
## 23 16.0 4600 3000 1100 274000 2.727273 249.09091 41.50000
## 24 12.9 6000 3000 2200 277000 1.363636 125.90909 50.00000
## 25 11.1 12600 7000 3600 650000 1.944444 180.55556 54.00000
## 26 11.7 9000 6300 800 457000 7.875000 571.25000 41.00000
## 27 13.6 4900 2700 1600 192000 1.687500 120.00000 49.00000
## 28 11.7 6900 5900 600 259000 9.833333 431.66667 43.00000
## 29 14.5 12800 6800 2800 366000 2.428571 130.71429 47.00000
## 30 11.6 8700 4600 2200 553000 2.090909 251.36364 49.00000
## 31 10.5 9000 6300 1200 513000 5.250000 427.50000 39.00000
## 32 13.2 13100 8700 2900 345000 3.000000 118.96552 57.50000
## 33 15.6 10000 6800 2000 323000 3.400000 161.50000 47.33333
## 34 15.4 10200 7600 1700 208000 4.470588 122.35294 49.50000
## SII_1C Prot_2C Alb_2C Hb_2C Leucoc_2C Neutr_2C Linf_2C Plaq_2C
## 1 1383750.0 7.900000 4.500000 16.50000 6400.00 3400.000 2300.000 253000.0
## 2 980000.0 6.100000 3.700000 11.40000 8300.00 6200.000 1200.000 126000.0
## 3 1222400.0 7.200000 4.400000 16.70000 8400.00 4500.000 3000.000 329000.0
## 4 585200.0 7.200000 4.100000 15.30000 7200.00 4300.000 1900.000 254000.0
## 5 575354.8 8.000000 4.500000 16.30000 9200.00 5100.000 2800.000 313000.0
## 6 970562.5 8.100000 4.500000 15.50000 8000.00 5300.000 1800.000 285.0
## 7 775111.1 7.200000 4.100000 12.40000 8200.00 6400.000 1100.000 265000.0
## 8 276555.6 7.223333 4.012903 13.15312 9106.25 5796.875 2090.625 305883.9
## 9 1585517.2 7.223333 3.700000 13.40000 19400.00 16100.000 2300.000 406000.0
## 10 1103789.5 7.500000 4.100000 13.40000 8700.00 5500.000 2200.000 226000.0
## 11 4815200.0 6.500000 2.900000 8.60000 14500.00 12100.000 1200.000 858000.0
## 12 308758.6 6.800000 3.900000 11.40000 9400.00 4400.000 3100.000 260000.0
## 13 778444.4 7.100000 4.200000 15.00000 10200.00 5100.000 2900.000 319000.0
## 14 2006880.0 7.200000 4.000000 10.90000 14700.00 9900.000 3500.000 408000.0
## 15 2284800.0 7.200000 3.900000 11.20000 10600.00 7900.000 1400.000 254000.0
## 16 1545741.9 7.200000 3.900000 13.30000 9900.00 6100.000 2500.000 297000.0
## 17 1065428.6 5.300000 3.000000 10.30000 3800.00 2300.000 800.000 218000.0
## 18 760000.0 8.800000 4.100000 12.90000 11200.00 6100.000 3300.000 272000.0
## 19 522363.6 6.700000 3.700000 11.60000 4000.00 1800.000 1500.000 394000.0
## 20 3448750.0 7.900000 4.600000 12.30000 8600.00 6300.000 1200.000 425000.0
## 21 1191562.5 6.900000 4.400000 10.40000 12500.00 8500.000 1500.000 217000.0
## 22 776888.9 7.700000 3.900000 13.40000 6400.00 3600.000 1800.000 194000.0
## 23 747272.7 7.800000 3.600000 15.80000 5400.00 3700.000 1000.000 237000.0
## 24 377727.3 7.400000 4.000000 13.20000 5100.00 2400.000 2100.000 240000.0
## 25 1263888.9 7.500000 3.800000 11.40000 13900.00 7900.000 3900.000 615000.0
## 26 3598875.0 7.223333 4.012903 13.15312 9106.25 5796.875 2090.625 305883.9
## 27 324000.0 6.800000 4.200000 13.50000 5300.00 3300.000 1400.000 235000.0
## 28 2546833.3 7.100000 4.000000 11.70000 6900.00 5900.000 600.000 259000.0
## 29 888857.1 7.500000 3.700000 13.80000 12000.00 5700.000 4000.000 256000.0
## 30 1156272.7 6.300000 4.100000 13.00000 8300.00 4100.000 2900.000 343000.0
## 31 2693250.0 7.223333 4.012903 11.40000 7600.00 4900.000 1300.000 412000.0
## 32 1035000.0 7.500000 4.500000 12.90000 8800.00 5800.000 1800.000 337000.0
## 33 1098200.0 7.700000 4.300000 15.70000 9600.00 5900.000 2200.000 312000.0
## 34 929882.4 6.600000 4.100000 16.30000 8900.00 5000.000 2400.000 254000.0
## NLR_2C NLR2C_corte4o5 PLR_2C PNI_2C SII_2C primera_eval
## 1 1.478261 0.00 110.0000000 56.50000 374000.0000 EE
## 2 5.166667 1.00 105.0000000 43.00000 651000.0000 RP
## 3 1.500000 0.00 109.6666667 59.00000 493500.0000 RP
## 4 2.263158 0.00 133.6842105 50.50000 574842.1053 PS
## 5 1.821429 0.00 111.7857143 59.00000 570107.1429 EE
## 6 2.944444 0.00 0.1583333 54.00000 839.1667 RP
## 7 5.818182 1.00 240.9090909 46.50000 1541818.1818 EE
## 8 3.348731 0.25 177.5906414 50.70968 1134689.6890 RP
## 9 7.000000 1.00 176.5217391 48.50000 2842000.0000 EE
## 10 2.500000 0.00 102.7272727 52.00000 565000.0000 RP
## 11 10.083333 1.00 715.0000000 35.00000 8651500.0000 PE
## 12 1.419355 0.00 83.8709677 54.50000 369032.2581 EE
## 13 1.758621 0.00 110.0000000 56.50000 561000.0000 RP
## 14 2.828571 0.00 116.5714286 57.50000 1154057.1429 EE
## 15 5.642857 1.00 181.4285714 46.00000 1433285.7143 EE
## 16 2.440000 0.00 118.8000000 51.50000 724680.0000 RP
## 17 2.875000 0.00 272.5000000 34.00000 626750.0000 EE
## 18 1.848485 0.00 82.4242424 57.50000 502787.8788 RP
## 19 1.200000 0.00 262.6666667 44.50000 472800.0000 RP
## 20 5.250000 1.00 354.1666667 52.00000 2231250.0000 EE
## 21 5.666667 1.00 144.6666667 51.50000 1229666.6667 PE
## 22 2.000000 0.00 107.7777778 48.00000 388000.0000 EE
## 23 3.700000 0.00 237.0000000 41.00000 876900.0000 RP
## 24 1.142857 0.00 114.2857143 50.50000 274285.7143 EE
## 25 2.025641 0.00 157.6923077 57.50000 1245769.2308 EE
## 26 3.348731 0.25 177.5906414 50.70968 1134689.6890 PE
## 27 2.357143 0.00 167.8571429 49.00000 553928.5714 RP
## 28 9.833333 1.00 431.6666667 43.00000 2546833.3333 PE
## 29 1.425000 0.00 64.0000000 57.00000 364800.0000 EE
## 30 1.413793 0.00 118.2758621 55.50000 484931.0345 EE
## 31 3.769231 0.00 316.9230769 50.70968 1552923.0769 PE
## 32 3.222222 0.00 187.2222222 54.00000 1085888.8889 RP
## 33 2.681818 0.00 141.8181818 54.00000 836727.2727 RP
## 34 2.083333 0.00 105.8333333 53.00000 529166.6667 EE
## Prot_1eval Alb_1eval Hb_1eval Leucoc_1eval Neutr_1eval Linf_1eval Plaq_1eval
## 1 7.300000 4.4 16.9 8000 5300 2100 262000
## 2 6.000000 3.9 11.2 7500 5500 1300 96000
## 3 7.100000 4.5 16.6 8700 4900 2900 315000
## 4 7.200000 4.0 15.7 7800 4400 2500 259000
## 5 7.087097 4.3 16.5 8700 4600 2800 285000
## 6 7.600000 4.4 15.4 8000 5900 1400 263000
## 7 6.700000 3.9 11.1 7600 6000 1000 229000
## 8 6.400000 4.2 11.6 8600 6300 1400 124000
## 9 6.900000 3.7 12.9 16200 13200 1900 317000
## 10 7.700000 4.5 14.6 7400 4700 1900 219000
## 11 7.000000 3.1 8.8 10200 9100 500 527000
## 12 7.200000 4.0 10.8 11100 7200 2600 227000
## 13 7.100000 4.2 15.1 9100 5000 2900 308000
## 14 8.000000 4.5 12.9 18400 13600 3200 328000
## 15 7.087097 3.8 11.3 9400 7200 900 309000
## 16 7.000000 4.1 15.8 9800 6000 2600 205000
## 17 5.500000 3.6 13.7 4600 2600 1100 220000
## 18 8.500000 4.1 12.7 10200 5400 3100 282000
## 19 7.100000 3.9 12.2 3100 1400 1300 290000
## 20 7.300000 3.7 12.5 9200 7100 1100 400000
## 21 6.400000 3.9 9.9 10000 7500 800 216000
## 22 7.700000 3.9 13.4 6400 3600 1800 194000
## 23 7.087097 3.1 14.9 4500 2900 1000 220000
## 24 7.700000 4.1 13.8 4300 2200 1600 234000
## 25 7.800000 3.9 11.8 13900 7700 4000 647000
## 26 6.400000 3.7 11.7 9000 6300 800 457000
## 27 7.000000 4.2 13.8 4600 3100 1100 257000
## 28 7.100000 4.0 11.7 6900 5900 600 259000
## 29 6.900000 3.9 14.5 9100 4200 3500 199000
## 30 6.300000 4.1 13.0 8300 4100 2900 343000
## 31 7.000000 4.0 11.3 7300 4300 1800 353000
## 32 7.700000 4.6 12.9 9700 6500 2100 308000
## 33 7.500000 4.3 15.9 8700 6000 1600 320000
## 34 6.600000 4.1 16.3 8900 5000 2400 254000
## NLR_1eval PLR_1eval PNI_1eval SII_1eval Mejor_resp N_ciclos segunda_eval
## 1 2.523810 124.76190 54.5 661238.1 RC 35 0.5185185
## 2 4.230769 73.84615 45.5 406153.8 RC 35 0.0000000
## 3 1.689655 108.62069 59.5 532241.4 RP 7 0.0000000
## 4 1.760000 103.60000 52.5 455840.0 EE 11 1.0000000
## 5 1.642857 101.78571 57.0 468214.3 EE 7 1.0000000
## 6 4.214286 187.85714 51.0 1108357.1 RC 4 0.5185185
## 7 6.000000 229.00000 44.0 1374000.0 RP 19 1.0000000
## 8 4.500000 88.57143 49.0 558000.0 RP 1 0.0000000
## 9 6.947368 166.84211 46.5 2202315.8 EE 3 0.0000000
## 10 2.473684 115.26316 54.5 541736.8 RP 26 0.0000000
## 11 18.200000 1054.00000 33.5 9591400.0 PE 3 1.0000000
## 12 2.769231 87.30769 53.0 628615.4 RP 5 0.0000000
## 13 1.724138 106.20690 56.5 531034.5 RP 11 1.0000000
## 14 4.250000 102.50000 61.0 1394000.0 EE 6 0.0000000
## 15 8.000000 343.33333 42.5 2472000.0 EE 6 1.0000000
## 16 2.307692 78.84615 54.0 473076.9 RP 32 1.0000000
## 17 2.363636 200.00000 41.5 520000.0 RP 25 0.5185185
## 18 1.741935 90.96774 56.5 491225.8 RP 35 0.5185185
## 19 1.076923 223.07692 45.5 312307.7 RP 16 0.0000000
## 20 6.454545 363.63636 42.5 2581818.2 RC 25 0.0000000
## 21 9.375000 270.00000 43.0 2025000.0 PE 3 0.0000000
## 22 2.000000 107.77778 48.0 388000.0 RP 5 1.0000000
## 23 2.900000 220.00000 36.0 638000.0 RP 8 0.5185185
## 24 1.375000 146.25000 49.0 321750.0 EE 8 1.0000000
## 25 1.925000 161.75000 59.0 1245475.0 EE 8 1.0000000
## 26 7.875000 571.25000 41.0 3598875.0 PE 1 1.0000000
## 27 2.818182 233.63636 47.5 724272.7 RC 35 0.0000000
## 28 9.833333 431.66667 43.0 2546833.3 PE 2 0.0000000
## 29 1.200000 56.85714 56.5 238800.0 RP 27 0.0000000
## 30 1.413793 118.27586 55.5 484931.0 RP 13 1.0000000
## 31 2.388889 196.11111 49.0 843277.8 PE 4 1.0000000
## 32 3.095238 146.66667 56.5 953333.3 RP 35 0.5185185
## 33 3.750000 200.00000 51.0 1200000.0 RP 23 1.0000000
## 34 2.083333 105.83333 53.0 529166.7 RP 35 0.5185185
## Exitus SLP SLP_cens SG SG_cens
## 1 1 29.8644764 1 29.864476 1
## 2 0 60.3860370 1 60.386037 1
## 3 0 35.1868583 0 57.626283 1
## 4 1 7.3921971 0 33.741273 0
## 5 1 4.5010267 0 18.825462 0
## 6 0 41.4948665 1 41.494867 1
## 7 1 24.0164271 0 30.225873 0
## 8 1 7.8850103 1 7.885010 1
## 9 1 1.8069815 0 1.806982 0
## 10 1 19.9425051 1 19.942505 0
## 11 1 1.8726899 0 17.478439 0
## 12 1 40.7392197 1 40.739220 0
## 13 1 7.4579055 0 41.002053 0
## 14 1 5.6509240 0 8.837782 0
## 15 1 3.6796715 0 6.570842 0
## 16 1 22.3737166 0 28.747433 0
## 17 1 21.9794661 1 21.979466 0
## 18 0 46.3244353 1 46.324435 1
## 19 0 35.3182752 0 35.318275 1
## 20 0 45.6344969 1 45.634497 1
## 21 1 1.9055441 0 5.749487 0
## 22 1 7.2607803 0 22.078029 0
## 23 1 9.3305955 1 9.330595 0
## 24 1 7.1293634 0 16.131417 0
## 25 0 5.6180698 0 10.611910 0
## 26 1 0.7556468 0 41.166324 0
## 27 0 31.1457906 1 31.145791 1
## 28 1 1.3798768 0 1.839836 0
## 29 1 17.8069815 0 26.579055 0
## 30 1 11.1704312 0 22.702259 0
## 31 1 1.8069815 0 16.000000 0
## 32 0 40.2135524 1 40.213552 1
## 33 1 16.1642710 0 35.778234 0
## 34 0 39.4579055 1 39.457906 1Ajustamos el número de decimales:
df_imputado1$Edad_dx <- round(df_imputado1$Edad_dx, 0)
df_imputado1$LDH <- round(df_imputado1$LDH, 0)
df_imputado1$LDH <- round(df_imputado1$LDH, 0)
df_imputado1$Exp_tab <- round(df_imputado1$Exp_tab, 0)
df_imputado1$Col_total <- round(df_imputado1$Col_total, 0)
df_imputado1$Leucoc_1C <- round(df_imputado1$Leucoc_1C, 0)
df_imputado1$Neutr_1C <- round(df_imputado1$Neutr_1C, 0)
df_imputado1$Linf_1C <- round(df_imputado1$Linf_1C, 0)
df_imputado1$Plaq_1C <- round(df_imputado1$Plaq_1C, 0)
df_imputado1$Prot_1C <- round(df_imputado1$Prot_1C, 1)
df_imputado1$Alb_1C <- round(df_imputado1$Alb_1C, 1)
df_imputado1$Hb_1C <- round(df_imputado1$Hb_1C, 1)
df_imputado1$Prot_tot <- round(df_imputado1$Prot_tot, 1)
df_imputado1$Albumina <- round(df_imputado1$Albumina, 1)
df_imputado1$Porcentaje_perdpeso <- round(df_imputado1$Porcentaje_perdpeso, 4)
df_imputado1$NLR_pre <- round(df_imputado1$NLR_pre, 2)
df_imputado1$PLR_pre <- round(df_imputado1$PLR_pre, 2)
df_imputado1$PNI_pre <- round(df_imputado1$PNI_pre, 2)
df_imputado1$ALI_pre <- round(df_imputado1$ALI_pre, 2)
df_imputado1$SII_pre <- round(df_imputado1$SII_pre, 2)
df_imputado1$NLR_1C <- round(df_imputado1$NLR_1C, 2)
df_imputado1$PLR_2C <- round(df_imputado1$PLR_2C, 2)
df_imputado1$SII_2C <- round(df_imputado1$SII_2C, 2)Como las variables tipo factor nos daban problemas al tener más de dos factores, hemos usado el método cart para este tipo de variables:
imputed_data2 <- mice(df %>%
select(Idpac,Histologia,Afectacion_ganglionar,Afectacion_metastasica,Estadio,Estatinas,primera_eval_num,Mejor_resp_num,Tipo_tox,
Tamaño_tumor,Grado_tox,Motivo_inter, NLR1C_corte4, NLR1C_corte5, Histología_num, Estadio_num, Toxicidad,Interrupc_tto,
Enf_neurod,Sexo, ECOG, Progresion, Cardiop, Diabetes),
method = "cart", print = FALSE)## Warning: Number of logged events: 150df_imputado2 <- complete(imputed_data2)
df_imputado2## Idpac Histologia Afectacion_ganglionar Afectacion_metastasica
## 1 P_01 Adenocarcinoma 2 1c
## 2 P_02 Otros 2 1c
## 3 P_03 Adenocarcinoma 1 1c
## 4 P_04 Escamoso 2 0
## 5 P_05 Escamoso 2 1a
## 6 P_06 Otros 3 1c
## 7 P_07 Escamoso 2 1c
## 8 P_08 Escamoso 2 0
## 9 P_09 Escamoso 2 0
## 10 P_10 Adenocarcinoma 2 1c
## 11 P_11 Adenocarcinoma 3 1c
## 12 P_12 Adenocarcinoma 1 1b
## 13 P_13 Adenocarcinoma 3 1a
## 14 P_14 Otros 0 1b
## 15 P_15 Adenocarcinoma 0 1c
## 16 P_16 Adenocarcinoma 2 1b
## 17 P_18 Adenocarcinoma 2 1c
## 18 P_19 Adenocarcinoma 3 1c
## 19 P_20 Ca. indiferenciado 2 1c
## 20 P_22 Adenocarcinoma x 1a
## 21 P_23 Adenocarcinoma 0 1c
## 22 P_24 Escamoso 2 1c
## 23 P_25 Adenocarcinoma 3 1c
## 24 P_26 Adenocarcinoma 2 1c
## 25 P_27 Adenocarcinoma 3 1c
## 26 P_28 Adenocarcinoma 3 1c
## 27 P_29 Otros 3 1b
## 28 P_30 Adenocarcinoma 3 1b
## 29 P_31 Adenocarcinoma 2 1a
## 30 P_32 Adenocarcinoma 3 1c
## 31 P_33 Adenocarcinoma 2 1b
## 32 P_34 Otros 3 0
## 33 P_35 Adenocarcinoma 2 1c
## 34 P_36 Adenocarcinoma 0 1c
## Estadio Estatinas primera_eval_num Mejor_resp_num Tipo_tox
## 1 IVB 0 2 0 Miocarditis
## 2 IVB 0 1 0 Dermatitis
## 3 IVB 1 1 1 Hepatitis
## 4 IIIB 1 2 2 0
## 5 IVA 0 2 2 0
## 6 IVB 0 1 0 Uveítis
## 7 IVB 1 2 1 Neumonitis
## 8 IIIA 0 1 1 Hepatitis
## 9 IIIB 1 2 2 0
## 10 IVB 0 1 1 Uveítis
## 11 IVB 0 3 3 0
## 12 IVA 1 2 1 Neumonitis
## 13 IVA 0 1 1 Queratitis/Dermatitis
## 14 IVA 0 2 2 0
## 15 IVB 0 2 2 Dermatitis
## 16 IVB 0 1 1 Artritis
## 17 IVB 0 2 1 0
## 18 IVB 0 1 1 Tiroiditis
## 19 IVB 0 1 1 Encefalitis
## 20 IVA 0 1 0 Neumonitis
## 21 IVB 1 3 3 0
## 22 IVB 0 2 1 Neumonitis
## 23 IVB 0 1 1 0
## 24 IVB 0 2 2 0
## 25 IVB 0 (fibrato) 1 1 0
## 26 IVB 1 3 3 0
## 27 IVB 0 1 0 Tiroiditis
## 28 IVB 0 3 3 0
## 29 IVA 0 3 2 Dermatitis
## 30 IVB 0 2 1 Dermatitis
## 31 IVB 0 3 3 0
## 32 IIIC 1 1 1 0
## 33 IVB 1 1 1 0
## 34 IVB 0 2 1 Artritis
## Tamaño_tumor Grado_tox Motivo_inter NLR1C_corte4
## 1 2b 3 Fin del tratamiento previsto 0
## 2 X 1 Fin del tratamiento previsto 1
## 3 2b 3 Toxicidad 0
## 4 4 0 Progresión 0
## 5 2a 0 Progresión 0
## 6 x 2 Toxicidad 0
## 7 3 3 Toxicidad 0
## 8 1c 3 Toxicidad 0
## 9 4 0 Exitus 1
## 10 3 1 Exitus (otra causa) 1
## 11 4 0 Progresión 1
## 12 2b 3 Toxicidad 0
## 13 4 1 Progresión 0
## 14 x 0 Progresión 1
## 15 4 1 Progresión 1
## 16 x 1 Progresión 0
## 17 2b 0 Exitus (otra causa) 1
## 18 4 1 Fin del tratamiento previsto 0
## 19 4 3 Toxicidad 0
## 20 x 2 Toxicidad 1
## 21 3 0 Progresión 1
## 22 3 3 Toxicidad 0
## 23 3 0 2º tumor/ hepatocarcinoma 0
## 24 4 0 Progresión 0
## 25 4 0 Progresión 0
## 26 4 0 Progresión 1
## 27 4 2 Fin del tratamiento previsto 0
## 28 4 0 Progresión 1
## 29 4 3 Toxicidad 0
## 30 4 1 Progresión 0
## 31 4 0 Progresión 0
## 32 3 0 Fin del tratamiento previsto 0
## 33 4 0 Progresión 0
## 34 4 G2 Fin del tratamiento previsto 1
## NLR1C_corte5 Histología_num Estadio_num Toxicidad Interrupc_tto Enf_neurod
## 1 0 0 4 1 1 0
## 2 1 2 4 1 1 0
## 3 0 0 4 1 1 0
## 4 0 1 3 0 1 0
## 5 0 1 4 0 1 0
## 6 0 2 4 1 1 0
## 7 0 1 4 1 1 0
## 8 0 1 3 1 1 1
## 9 0 1 3 0 1 1
## 10 1 0 4 1 1 0
## 11 1 0 4 0 1 0
## 12 0 0 4 0 1 0
## 13 0 0 4 1 1 0
## 14 0 2 4 0 1 0
## 15 1 0 4 1 1 0
## 16 0 0 4 1 1 0
## 17 0 0 4 0 1 0
## 18 0 0 4 1 1 0
## 19 0 2 4 1 1 0
## 20 1 0 4 1 1 0
## 21 1 0 4 0 1 1
## 22 0 1 4 1 1 0
## 23 0 0 4 0 1 0
## 24 0 0 4 0 1 0
## 25 0 0 4 0 1 0
## 26 1 0 4 0 1 0
## 27 0 2 4 1 1 0
## 28 1 0 4 0 1 0
## 29 0 0 4 1 1 0
## 30 0 0 4 1 1 0
## 31 0 0 4 0 1 0
## 32 0 2 3 0 1 0
## 33 0 0 4 0 0 0
## 34 0 0 4 1 1 0
## Sexo ECOG Progresion Cardiop Diabetes
## 1 2 1 0 0 0
## 2 1 2 0 0 0
## 3 2 0 1 0 0
## 4 2 0 1 1 0
## 5 2 1 1 0 0
## 6 2 1 0 0 0
## 7 1 1 1 0 1
## 8 2 2 0 1 0
## 9 2 1 1 1 0
## 10 2 1 0 0 0
## 11 2 2 1 0 0
## 12 2 1 0 1 0
## 13 1 1 1 0 1
## 14 2 1 1 0 0
## 15 1 2 1 0 0
## 16 2 1 1 0 0
## 17 1 0 0 0 0
## 18 2 1 0 0 0
## 19 1 1 1 0 0
## 20 2 0 0 0 0
## 21 2 2 1 0 1
## 22 2 1 1 0 0
## 23 2 1 0 0 0
## 24 1 1 1 0 0
## 25 2 1 1 0 0
## 26 1 1 1 0 0
## 27 1 1 0 0 0
## 28 2 1 1 0 0
## 29 2 1 1 0 0
## 30 2 1 1 0 0
## 31 2 1 1 0 0
## 32 2 0 0 0 1
## 33 1 2 1 0 0
## 34 2 1 0 0 0Redondeamos los valores de las variables factor para que no nos den decimales:
redondear = c("Idpac","Histologia","Afectacion_ganglionar","Afectacion_metastasica","Estadio","Estatinas","primera_eval_num","Mejor_resp_num",
"Tipo_tox","Tamaño_tumor","Grado_tox","Motivo_inter","NLR1C_corte4","NLR1C_corte5","Histología_num","Estadio_num","Toxicidad","Interrupc_tto",
"Enf_neurod","Sexo","ECOG","Progresion","Cardiop","Diabetes")
sapply(df_imputado2[redondear], class)## Idpac Histologia Afectacion_ganglionar
## "factor" "factor" "factor"
## Afectacion_metastasica Estadio Estatinas
## "factor" "factor" "factor"
## primera_eval_num Mejor_resp_num Tipo_tox
## "factor" "factor" "factor"
## Tamaño_tumor Grado_tox Motivo_inter
## "factor" "factor" "factor"
## NLR1C_corte4 NLR1C_corte5 Histología_num
## "factor" "factor" "factor"
## Estadio_num Toxicidad Interrupc_tto
## "factor" "factor" "factor"
## Enf_neurod Sexo ECOG
## "factor" "factor" "factor"
## Progresion Cardiop Diabetes
## "factor" "factor" "factor"df_imputado2[redondear] <- lapply(df_imputado2[redondear], as.numeric)
df_imputado2[redondear] <- round(df_imputado2[redondear], 0)# Convertir todas las columnas a factores
df_imputado2 <- lapply(df_imputado2, as.factor)Finalmente hemos unificado todo en un único dataframe sin datos faltantes.
df_completo <- cbind(df_imputado1, df_imputado2)Arreglamos las varibles primera_eval_num y mejor_respuesta_num:
asignar_valor_primera_eval <- function(valor) {
if (valor == "RP") {
return(1)
} else if (valor %in% c("PS", "EE")) {
return(2)
} else if (valor == "PE") {
return(3)
} else {
return(NA) # Manejo de otros valores, si es necesario
}
}
df_completo <- df_completo %>%
mutate(pri_eval_num_ok = sapply(primera_eval, asignar_valor_primera_eval))asignar_valor_mejor_resp <- function(valor) {
if (valor == "RC") {
return(0)
} else if (valor == "RP") {
return(1)
} else if (valor == "EE") {
return(2)
} else if (valor == "PE") {
return(3)
} else {
return(NA) # Manejo de otros valores, si es necesario
}
}
df_completo <- df_completo %>%
mutate(mejor_resp_num_ok = sapply(Mejor_resp, asignar_valor_mejor_resp))4 ANÁLISIS DESCRIPTIVO:
Análisis exploratorio de nuestras variables numéricas:
# Obtener las columnas numéricas del dataframe
columnas_numericas <- sapply(df_completo, is.numeric)
# Iterar sobre cada columna numérica
for (columna in names(df_completo[columnas_numericas])) {
# Resumen estadístico
cat("Variable:", columna, "\n")
cat("Resumen estadístico:\n")
print(summary(df_completo[[columna]]))
# Histograma
cat("Histograma:\n")
hist(df_completo[[columna]], main = paste("Histograma de", columna), xlab = columna)
# Boxplot
cat("Boxplot:\n")
boxplot(df_completo[[columna]], main = paste("Boxplot de", columna))
# Gráfico de densidad
cat("Gráfico de densidad:\n")
plot(density(df_completo[[columna]]), main = paste("Densidad de", columna))
cat("\n")
}## Variable: Edad_dx
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 46.00 60.00 65.50 65.35 71.00 82.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Anciano
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 0.0000 0.3529 1.0000 1.0000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Peso
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 47.00 62.25 67.00 70.16 77.28 102.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Talla
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.500 1.593 1.630 1.656 1.728 1.910
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: IMC
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 18.36 22.53 25.11 25.57 28.21 35.63
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Porcentaje_perdpeso
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00000 0.00000 0.03450 0.04584 0.07300 0.22900
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Exp_tab
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00 37.00 50.00 51.68 60.00 200.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PD_L1
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.00 70.00 80.00 78.88 93.75 100.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Col_total
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 111.0 153.2 189.0 187.4 205.0 397.0
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: LDH
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 156.0 184.0 200.0 263.7 264.0 1644.0
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Prot_tot
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.400 6.900 7.000 7.006 7.300 8.900
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Albumina
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.800 3.700 4.000 3.912 4.200 4.400
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Hb
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.60 11.95 13.00 13.16 14.07 16.70
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Leucoc_tot
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4000 7625 9850 10012 12300 20500
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Neutrofilos
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2500 5075 7200 7162 8700 13400
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Linf_tot
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 400 1125 1500 1650 2150 3500
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Plaquetas
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 112000 229500 283000 298941 337250 709000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: NLR_pre
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.670 2.925 3.830 5.940 6.060 24.600
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PLR_pre
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 71.5 131.7 177.2 232.9 251.0 928.0
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PNI_pre
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 32.00 45.50 48.75 47.42 50.88 59.50
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: ALI_pre
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.20 14.64 26.42 26.86 32.73 67.80
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SII_pre
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 250250 907950 1076325 1689960 1905679 8723200
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Prot_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.600 6.800 7.050 7.044 7.375 9.100
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Alb_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.100 3.700 3.950 3.906 4.100 4.600
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Hb_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 8.40 11.60 12.30 12.89 14.50 16.10
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Leucoc_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3600 7325 9100 9435 12375 16100
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Neutr_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1700 4450 6250 6318 8300 12100
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Linf_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 600 1100 1750 1894 2725 3600
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Plaq_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 112000 246250 330500 336206 428500 650000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: NLR_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.280 2.095 3.255 4.040 5.048 10.400
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PLR_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 83.45 127.03 160.43 211.81 250.80 571.25
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PNI_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.00 43.00 49.25 47.33 53.88 60.50
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SII_1C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 276556 763778 1050214 1341856 1505244 4815200
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Prot_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.300 6.950 7.212 7.223 7.500 8.800
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Alb_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.900 3.900 4.013 4.013 4.200 4.600
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Hb_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 8.60 11.45 13.15 13.15 14.70 16.70
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Leucoc_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3800 7300 8750 9106 10125 19400
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Neutr_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1800 4325 5600 5797 6175 16100
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Linf_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 600 1400 2091 2091 2725 4000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Plaq_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 285 243250 268500 305884 335000 858000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: NLR_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.143 1.828 2.591 3.349 3.752 10.083
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: NLR2C_corte4o5
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00 0.00 0.00 0.25 0.25 1.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PLR_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.16 109.75 137.75 177.59 185.77 715.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PNI_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 34.00 48.12 51.50 50.71 55.25 59.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SII_2C
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 839 495822 638875 1134690 1210764 8651500
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Prot_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.500 6.900 7.094 7.087 7.450 8.500
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Alb_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.100 3.900 4.000 4.018 4.200 4.600
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Hb_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 8.80 11.70 12.95 13.33 15.05 16.90
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Leucoc_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3100 7425 8700 8682 9625 18400
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Neutr_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1400 4325 5450 5726 6450 13600
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Linf_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 500 1100 1800 1897 2600 4000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Plaq_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 96000 221750 262500 286059 316500 647000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: NLR_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.077 1.801 2.647 4.027 4.438 18.200
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PLR_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 56.86 104.16 146.46 203.41 222.31 1054.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: PNI_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 33.50 44.38 50.00 49.66 55.25 61.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SII_1eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 238800 486505 633308 1265920 1341869 9591400
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: N_ciclos
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 5.00 9.50 15.26 25.75 35.00
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: segunda_eval
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 0.5185 0.5185 1.0000 1.0000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: Exitus
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 1.0000 0.7059 1.0000 1.0000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SLP
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.7557 5.6263 13.6674 19.2545 34.1766 60.3860
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SLP_cens
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 0.0000 0.3824 1.0000 1.0000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SG
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.807 16.033 27.663 26.859 40.025 60.386
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: SG_cens
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 0.0000 0.3235 1.0000 1.0000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: pri_eval_num_ok
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 2.000 1.765 2.000 3.000
## Histograma:
## Boxplot:
## Gráfico de densidad:
##
## Variable: mejor_resp_num_ok
## Resumen estadístico:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.000 1.000 1.353 2.000 3.000
## Histograma:
## Boxplot:
## Gráfico de densidad:
Análisis exploratorio de las variables tipo factor:
# Obtener las columnas categóricas del dataframe
columnas_categoricas <- sapply(df_completo, is.factor)
# Iterar sobre cada columna categórica
for (columna in names(df_completo[columnas_categoricas])) {
# Tabla de frecuencia
cat("Variable:", columna, "\n")
cat("Tabla de frecuencia:\n")
print(table(df_completo[[columna]]))
# Gráfico de barras
cat("Gráfico de barras:\n")
barplot(table(df_completo[[columna]]), main = paste("Gráfico de barras de", columna))
# Gráfico de pastel
cat("Gráfico de pastel:\n")
pie(table(df_completo[[columna]]), main = paste("Gráfico de pastel de", columna))
cat("\n")
}## Variable: Idpac
## Tabla de frecuencia:
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 27 28 29 30 31 32 33 34
## 1 1 1 1 1 1 1 1
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Histologia
## Tabla de frecuencia:
##
## 1 2 3 4
## 22 1 6 5
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Afectacion_ganglionar
## Tabla de frecuencia:
##
## 1 2 3 4 5
## 4 2 16 11 1
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Afectacion_metastasica
## Tabla de frecuencia:
##
## 1 2 3 4
## 4 4 6 20
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Estadio
## Tabla de frecuencia:
##
## 1 2 3 4 5
## 1 2 1 6 24
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Estatinas
## Tabla de frecuencia:
##
## 1 2 3
## 24 1 9
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: primera_eval_num
## Tabla de frecuencia:
##
## 1 2 3
## 15 13 6
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Mejor_resp_num
## Tabla de frecuencia:
##
## 1 2 3 4
## 5 17 7 5
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Tipo_tox
## Tabla de frecuencia:
##
## 1 2 3 4 5 6 7 8 9 10
## 15 2 4 1 2 1 4 1 2 2
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Tamaño_tumor
## Tabla de frecuencia:
##
## 1 2 3 4 5 6 7
## 1 1 4 6 17 4 1
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Grado_tox
## Tabla de frecuencia:
##
## 1 2 3 4 5
## 15 7 3 8 1
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Motivo_inter
## Tabla de frecuencia:
##
## 1 2 3 4 5 6
## 1 1 2 6 15 9
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: NLR1C_corte4
## Tabla de frecuencia:
##
## 1 2
## 22 12
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: NLR1C_corte5
## Tabla de frecuencia:
##
## 1 2
## 26 8
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Histología_num
## Tabla de frecuencia:
##
## 1 2 3
## 22 6 6
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Estadio_num
## Tabla de frecuencia:
##
## 1 2
## 4 30
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Toxicidad
## Tabla de frecuencia:
##
## 1 2
## 16 18
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Interrupc_tto
## Tabla de frecuencia:
##
## 1 2
## 1 33
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Enf_neurod
## Tabla de frecuencia:
##
## 1 2
## 31 3
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Sexo
## Tabla de frecuencia:
##
## 1 2
## 10 24
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: ECOG
## Tabla de frecuencia:
##
## 1 2 3
## 5 23 6
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Progresion
## Tabla de frecuencia:
##
## 1 2
## 13 21
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Cardiop
## Tabla de frecuencia:
##
## 1 2
## 30 4
## Gráfico de barras:
## Gráfico de pastel:
##
## Variable: Diabetes
## Tabla de frecuencia:
##
## 1 2
## 30 4
## Gráfico de barras:
## Gráfico de pastel:
# ruta_archivo <- "C:/Users/magob/Desktop/PROYECTO/df_definitivo.xlsx"
#
# write.xlsx(df_completo, file = ruta_archivo, rowNames = TRUE)
#
# if (file.exists(ruta_archivo)) {
# cat("¡Los datos se han guardado exitosamente en", ruta_archivo, "!\n")
# } else {
# cat("Hubo un problema al guardar los datos. Por favor, verifica la ruta y el nombre del archivo.\n")
# }